梁 爽 蔡 鵬

（華東師范大學(xué)數(shù)據(jù)科學(xué)與工程學(xué)院 上海 200062）

1 引言

由于缺乏合理的排隊(duì)規(guī)則，同時(shí)因?yàn)殇搹S業(yè)務(wù)流程邏輯復(fù)雜，原料運(yùn)輸車(chē)輛到達(dá)鋼廠停車(chē)場(chǎng)后，很難通過(guò)常規(guī)手段預(yù)估入廠排隊(duì)等待時(shí)間。準(zhǔn)確等待時(shí)間的缺少使得司機(jī)不得不隨時(shí)呆在車(chē)內(nèi)待命。這種情況既增加了物流成本，也降低了司機(jī)的滿意度。圖1展示了卡車(chē)排隊(duì)卸貨的業(yè)務(wù)流程。

卡車(chē)首先進(jìn)入停車(chē)場(chǎng)并按貨物品種取得排隊(duì)號(hào)。經(jīng)過(guò)一段時(shí)間等待該車(chē)被叫號(hào)并準(zhǔn)備入廠，入廠之后進(jìn)行卸貨工作，卸貨完成即可離開(kāi)廠房。這個(gè)過(guò)程中，關(guān)鍵的時(shí)間信息被實(shí)時(shí)地記錄到鋼鐵物流信息平臺(tái)。我們的目標(biāo)就是預(yù)測(cè)卡車(chē)開(kāi)始排隊(duì)至被叫號(hào)所花費(fèi)的時(shí)間（既車(chē)輛等待時(shí)間）。目前大多數(shù)鋼廠采用排隊(duì)號(hào)乘以固定時(shí)間這種依靠經(jīng)驗(yàn)、粗粒度的預(yù)測(cè)方法。這種方法忽視了廠內(nèi)卸貨能力、停車(chē)場(chǎng)內(nèi)車(chē)輛已等待時(shí)間等因素，預(yù)測(cè)結(jié)果對(duì)司機(jī)參考意義不大。

圖1 卡車(chē)排隊(duì)卸貨過(guò)程

鋼鐵物流場(chǎng)景下的等待時(shí)間預(yù)測(cè)與一般場(chǎng)景有一定區(qū)別。機(jī)場(chǎng)出租車(chē)等待時(shí)間預(yù)測(cè)［1］考慮機(jī)場(chǎng)乘客到達(dá)率、天氣情況、機(jī)場(chǎng)內(nèi)出租車(chē)數(shù)量等，銀行排隊(duì)等待時(shí)間預(yù)測(cè)［2］考慮排隊(duì)號(hào)，服務(wù)窗口數(shù)、業(yè)務(wù)類型等。這些場(chǎng)景穩(wěn)定且邏輯相對(duì)簡(jiǎn)單。然而鋼鐵物流場(chǎng)景下幾十種原料運(yùn)輸車(chē)輛并行工作，車(chē)輛的等待時(shí)間受整個(gè)工廠狀況影響，并且廠內(nèi)工人數(shù)、機(jī)器數(shù)等變化大，廠區(qū)的工作效率也因這些因素動(dòng)態(tài)變化，很不穩(wěn)定。

時(shí)間預(yù)測(cè)作為一個(gè)挑戰(zhàn)性的問(wèn)題，已經(jīng)在很多應(yīng)用領(lǐng)域被廣泛地研究［3］。常用的高效時(shí)間預(yù)測(cè)模型主要有以下幾種：時(shí)空模型［4～5］、線性回歸模型［6］，神經(jīng)網(wǎng)絡(luò)模型［7～9］、支持向量機(jī)模型［10～12］、卡爾曼 濾 波 模 型［11～12］、最 近 鄰 回 歸 模 型（K-Nearest Neighbors，KNN）［1，13］等。然而，由于缺少必要的數(shù)據(jù)，很少有鋼鐵物流領(lǐng)域等待時(shí)間預(yù)測(cè)相關(guān)的研究。

但隨著鋼鐵物流信息平臺(tái)的建設(shè)，平臺(tái)產(chǎn)生且不斷增加的數(shù)據(jù)給我們提供了開(kāi)展研究的契機(jī)。我們?nèi)诤狭藦S內(nèi)外排隊(duì)信息、廠房卸貨信息等多個(gè)來(lái)源的數(shù)據(jù)建立了初始數(shù)據(jù)集。我們需要應(yīng)對(duì)兩個(gè)挑戰(zhàn)：1）如何從眾多信息中生成有價(jià)值的特征；2）如何構(gòu)建適合鋼鐵物流這樣復(fù)雜場(chǎng)景的模型。

由于鋼鐵物流的復(fù)雜性，卡爾曼濾波模型很難構(gòu)建出其狀態(tài)方程及觀測(cè)方程，同時(shí)因?yàn)殇搹S效率的不穩(wěn)定，時(shí)空模型也不適合鋼鐵物流場(chǎng)景。本文提出一種基于長(zhǎng)短期記憶網(wǎng)絡(luò)［14］（Long Short-Term Memory，LSTM）與線性網(wǎng)絡(luò)（Linear Network）的組合模型，利用LSTM模型從歷史數(shù)據(jù)中充分獲取先驗(yàn)知識(shí)，再將先驗(yàn)知識(shí)與當(dāng)前車(chē)輛的實(shí)時(shí)信息結(jié)合后利用Linear模型進(jìn)行較為準(zhǔn)確的等待時(shí)間預(yù)測(cè)。在日照鋼鐵集團(tuán)真實(shí)生產(chǎn)環(huán)境下，我們使用Auto-sklearn［15］訓(xùn)練模型來(lái)模擬線性回歸、支持向量機(jī)等方法，并與LSTM-Linear模型對(duì)比。

2 鋼鐵物流數(shù)據(jù)分析

我們?nèi)诤狭藖?lái)自京創(chuàng)智匯鋼鐵物流信息平臺(tái)的三組真實(shí)數(shù)據(jù)用于卡車(chē)等待時(shí)間預(yù)測(cè)，包括廠外卡車(chē)排隊(duì)信息、廠內(nèi)卡車(chē)信息、廠房卸貨能力日志。

2.1 排隊(duì)數(shù)據(jù)

融合的數(shù)據(jù)集包括每一輛卡車(chē)所運(yùn)輸貨物的品種、排隊(duì)開(kāi)始時(shí)間、叫號(hào)時(shí)間、入廠時(shí)間、出廠時(shí)間，車(chē)輛所屬公司、貨物重量、司機(jī)信息以及此刻廠房?jī)?nèi)倉(cāng)庫(kù)的卸貨能力等。通過(guò)融合的數(shù)據(jù)集中的時(shí)間信息，能夠清晰地掌握每輛車(chē)所處的狀態(tài)以及各個(gè)狀態(tài)下的車(chē)輛流量。

如圖2所示，我們統(tǒng)計(jì)了2019年7月至2019年10月這四個(gè)月來(lái)近八萬(wàn)輛卡車(chē)的信息，近40種原料主要分為廢鋼、煤炭、焦炭3個(gè)品類?？梢钥吹礁鱾€(gè)品種之間的特性差異明顯，四個(gè)月來(lái)有些品種只有幾十輛車(chē)，而有的多達(dá)近16000輛；從等待時(shí)間來(lái)說(shuō)，有的排隊(duì)開(kāi)始即被叫號(hào)，而有的等待近10小時(shí)。相對(duì)來(lái)說(shuō)，3個(gè)品類下的品種之間特性更近似。因此下文的實(shí)驗(yàn)部分在這3個(gè)品類上進(jìn)行區(qū)分。

圖2 四個(gè)月來(lái)各原料品種平均等待時(shí)間及車(chē)輛數(shù)

2.2 特征生成

我們?cè)谌诤系臄?shù)據(jù)集中找到影響原料運(yùn)輸車(chē)輛等待時(shí)間的重要因素。表1展示了對(duì)一卡車(chē)最終生成的7維特征。

表1 由數(shù)據(jù)分析生成的特征

我們選擇一個(gè)月破碎廢鋼的數(shù)據(jù)為例進(jìn)行分析。對(duì)排隊(duì)等待時(shí)間影響最大是車(chē)輛在隊(duì)列中的排隊(duì)號(hào)。原料運(yùn)輸車(chē)輛絕大部分遵循先到先入廠的原則，顯然排隊(duì)號(hào)大的車(chē)輛應(yīng)當(dāng)?shù)却龝r(shí)間更長(zhǎng)。如圖3（a），大體上排隊(duì)號(hào)與等待時(shí)間呈正相關(guān)關(guān)系。但從圖3（b）中，我們發(fā)現(xiàn)就算排隊(duì)號(hào)都為15，車(chē)輛的等待時(shí)間依舊差異很大，這也說(shuō)明了還存在一些因素影響等待時(shí)間。同時(shí)將車(chē)輛按照等待時(shí)間從小到大排序，當(dāng)前車(chē)輛排隊(duì)號(hào)之前的車(chē)輛已等待時(shí)間越長(zhǎng)，當(dāng)前車(chē)輛可能等待時(shí)間越短。從圖3（c）和圖3（d）可看出車(chē)輛等待時(shí)間與正處于叫號(hào)未入廠階段內(nèi)的車(chē)輛數(shù)及這些車(chē)輛已等待時(shí)間之間呈正相關(guān)關(guān)系。顯然，車(chē)輛數(shù)越多，等待時(shí)間理應(yīng)更長(zhǎng)；同時(shí)從實(shí)際業(yè)務(wù)中了解到，車(chē)輛被叫號(hào)之后即應(yīng)入廠，如果沒(méi)有及時(shí)入廠，說(shuō)明廠內(nèi)狀況并不適合車(chē)輛入廠，所以出現(xiàn)了圖3（d）中的情況，平均已等待時(shí)間越長(zhǎng)，當(dāng)前車(chē)輛的等待時(shí)間可能越長(zhǎng)。

圖3（e）展示了廠內(nèi)車(chē)輛數(shù)與等待時(shí)間的關(guān)系。絕大部分破碎廢鋼車(chē)輛排隊(duì)開(kāi)始時(shí)廠內(nèi)同品種車(chē)輛數(shù)在5～45之間，一定程度看出等待時(shí)間相對(duì)穩(wěn)定（在廠車(chē)輛數(shù)在50以上的情況很少）。同時(shí)我們對(duì)工廠壓塊進(jìn)行分析，如圖3（f），車(chē)輛數(shù)與等待時(shí)間卻呈正相關(guān)，這種情況也間接說(shuō)明了鋼鐵物流的復(fù)雜性，不同品種之間既有車(chē)輛到達(dá)率、等待時(shí)間的差異，廠內(nèi)的工作模式上也存在一定區(qū)別。圖3（h）展示了距當(dāng)前車(chē)輛排隊(duì)開(kāi)始時(shí)間最近的10輛同品種已出廠車(chē)輛平均在廠時(shí)間與當(dāng)前車(chē)輛等待時(shí)間的關(guān)系。鋼廠在一定時(shí)間范圍內(nèi)效率是相對(duì)穩(wěn)定的，最近已出廠車(chē)輛的在廠時(shí)間能夠很好反映最近一段時(shí)間內(nèi)廠內(nèi)的卸貨效率。結(jié)合圖3（g）、3（h），在日照鋼廠的實(shí)際工作環(huán)境下，我們可以根據(jù)最近出廠車(chē)輛在廠區(qū)所花費(fèi)時(shí)間近似了解到廠區(qū)的工作效率，推斷在廠內(nèi)的車(chē)輛還需多久完成卸貨工作，并以此預(yù)估仍在廠外等待的車(chē)輛需要多久可以入廠。

圖3 各個(gè)特征與等待時(shí)間關(guān)系

綜合以上分析，可以看出鋼鐵物流場(chǎng)景下的等待時(shí)間預(yù)測(cè)相對(duì)于一般場(chǎng)景更為復(fù)雜。首先由于缺少必要的數(shù)據(jù)，很難對(duì)鋼廠完整狀況定量地表示，其次等待時(shí)間受到的影響因素較多，各個(gè)特征與等待時(shí)間之間也并不完全是線性的關(guān)系。我們?cè)趯?shí)際工作過(guò)程中通過(guò)反復(fù)地分析數(shù)據(jù)，表1所示的7個(gè)特征明顯影響等待時(shí)間。同時(shí)，也在這精心選擇的7個(gè)特征基礎(chǔ)上，我們開(kāi)展了下文模型構(gòu)建的工作。

3 等待時(shí)間預(yù)測(cè)模型構(gòu)建

本文提出的鋼鐵物流場(chǎng)景下的卡車(chē)等待時(shí)間預(yù)測(cè)模型由兩部分構(gòu)成：第一部分針對(duì)數(shù)據(jù)量較多（車(chē)輛數(shù)較多）的品種構(gòu)建LSTM-linear組合模型，利用LSTM模型，從歷史數(shù)據(jù)中獲得對(duì)現(xiàn)階段預(yù)測(cè)有幫助的先驗(yàn)知識(shí)，再利用線性模型，根據(jù)當(dāng)前車(chē)輛的實(shí)時(shí)信息結(jié)合先驗(yàn)知識(shí)來(lái)預(yù)測(cè)等待時(shí)間；第二部分針對(duì)數(shù)據(jù)量很少不足以建模的品種采用KNN回歸進(jìn)行預(yù)測(cè)。

下面從平臺(tái)現(xiàn)用方法的弊端、本文提出的等待時(shí)間預(yù)測(cè)模型兩方面進(jìn)行詳細(xì)說(shuō)明。

3.1 信息平臺(tái)現(xiàn)用方法弊端

目前京創(chuàng)智匯鋼鐵物流信息平臺(tái)利用線性回歸（嶺回歸）模型實(shí)現(xiàn)等待時(shí)間預(yù)測(cè)功能。模型的輸入為101維，包括采用獨(dú)熱編碼的品種類別、排隊(duì)號(hào)、離當(dāng)前車(chē)輛排隊(duì)開(kāi)始時(shí)間最近的同品種未叫號(hào)20輛車(chē)的已等待時(shí)間（不足補(bǔ)0）等。這種方法存在明顯弊端：1）嶺回歸模型本身是一個(gè)線性回歸模型，高達(dá)百維的輸入可能會(huì)降低輸入之中有效特征的重要性；2）所有品種糅合在一起，只用一個(gè)模型進(jìn)行預(yù)測(cè)。假設(shè)在很短的一段時(shí)間內(nèi)接連來(lái)了兩輛運(yùn)輸廢鋼的車(chē)輛，依據(jù)嶺回歸模型的輸入對(duì)兩輛車(chē)生成特征，它們的特征向量在排隊(duì)號(hào)的數(shù)值相差1，其余特征值區(qū)別很小。向量標(biāo)準(zhǔn)化后利用嶺回歸模型進(jìn)行預(yù)測(cè)（y為預(yù)測(cè)結(jié)果，f為標(biāo)準(zhǔn)化后向量，w，b分別為線性模型權(quán)重和偏置）：

同時(shí)假設(shè)在很短的一段時(shí)間內(nèi)接連來(lái)了兩輛運(yùn)輸煤炭的車(chē)輛，抽取特征，兩個(gè)向量也只在排隊(duì)號(hào)的數(shù)值相差1，其余特征值區(qū)別很小，利用模型進(jìn)行預(yù)測(cè)：

計(jì)算這兩個(gè)品種車(chē)輛等待時(shí)間的差值（σ為標(biāo)準(zhǔn)化操作中排隊(duì)號(hào)列的標(biāo)準(zhǔn)差）：

然而從圖2我們看出廢鋼、煤炭之間的等待時(shí)間差異是明顯的，只使用單一的嶺回歸模型在面對(duì)上述情形時(shí)顯然出現(xiàn)錯(cuò)誤，不同品種車(chē)輛之間的等待時(shí)間差值不應(yīng)是近似的。

3.2 模型構(gòu)建

構(gòu)建單一模型存在一定弊端，所以我們考慮對(duì)各個(gè)品種單獨(dú)建模。然而，從圖2中看出有不少品種四個(gè)月來(lái)車(chē)輛數(shù)較少，數(shù)據(jù)量很難達(dá)到訓(xùn)練模型的要求。所以，對(duì)于數(shù)據(jù)量小于1000的品種我們采取KNN回歸的方法利用同品種車(chē)輛歷史等待時(shí)間來(lái)預(yù)測(cè)車(chē)輛的等待時(shí)間（KNN回歸計(jì)算基于表1所示的特征）。數(shù)據(jù)量較多的品種通過(guò)建立LSTM-Linear模型進(jìn)行預(yù)測(cè)。圖4展示了運(yùn)輸車(chē)輛的等待時(shí)間預(yù)測(cè)過(guò)程。

圖4 車(chē)輛等待時(shí)間預(yù)測(cè)過(guò)程

LSTM是一種能夠處理序列變化數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)。內(nèi)部門(mén)結(jié)構(gòu)的設(shè)計(jì)使其具備控制信息傳遞的能力。上一次計(jì)算得來(lái)的輸出傳遞給下一次的計(jì)算，攜帶了上一次的“記憶”之后，本次計(jì)算會(huì)在上一次計(jì)算的基礎(chǔ)上更好的預(yù)測(cè)，適合排隊(duì)這樣具有時(shí)序特點(diǎn)的場(chǎng)景。

在平臺(tái)現(xiàn)用方法中，忽略了一個(gè)重要信息：離當(dāng)前車(chē)輛排隊(duì)開(kāi)始時(shí)間最近的那些同品種已被叫號(hào)車(chē)輛的等待時(shí)間。這些最新的準(zhǔn)確的等待時(shí)間對(duì)于當(dāng)前車(chē)輛的預(yù)測(cè)是已知的，同時(shí)能很好反映最近廠房?jī)?nèi)外的狀況，利用這些時(shí)間能夠更好地預(yù)測(cè)當(dāng)前車(chē)輛的等待時(shí)間。我們使用LSTM模型處理這些時(shí)序數(shù)據(jù)，輸入最近被叫號(hào)車(chē)輛的信息，輸出對(duì)當(dāng)前車(chē)輛的預(yù)測(cè)。但是，已有準(zhǔn)確等待時(shí)間的車(chē)輛與當(dāng)前車(chē)輛之間存在一段距離，排隊(duì)號(hào)即為距離的長(zhǎng)度。如果單純地用LSTM進(jìn)行預(yù)測(cè)，排隊(duì)中車(chē)輛的預(yù)測(cè)結(jié)果勢(shì)必會(huì)近似。所以我們將已叫號(hào)車(chē)輛的信息與當(dāng)前車(chē)輛實(shí)時(shí)信息相關(guān)聯(lián)，使用LSTM模型從已叫號(hào)車(chē)輛的信息中獲得對(duì)現(xiàn)階段預(yù)測(cè)有幫助的先驗(yàn)知識(shí)，再利用Linear模型根據(jù)實(shí)時(shí)的廠內(nèi)外信息輸出對(duì)當(dāng)前車(chē)輛的預(yù)測(cè)結(jié)果。

圖5 LSTM-Linear組合模型示意圖

經(jīng)過(guò)多次調(diào)試，圖5展示了最終LSTM-Linear模型的結(jié)構(gòu)。首先我們將距離當(dāng)前車(chē)輛排隊(duì)開(kāi)始時(shí)間最近的5輛同品種已被叫號(hào)的車(chē)分別進(jìn)行特征工程，生成表1所示的7維向量。最重要的是將這些車(chē)的真實(shí)等待時(shí)間與其特征向量拼接，形成8維的向量，之后將這5個(gè)8維向量按排隊(duì)開(kāi)始時(shí)間順序拼接作為L(zhǎng)STM模型的輸入。設(shè)置LSTM模型時(shí)間步長(zhǎng)為5（與輸入五輛車(chē)的時(shí)間序列保持一致），神經(jīng)元個(gè)數(shù)為10的單層網(wǎng)絡(luò)。之后將LSTM最后一個(gè)時(shí)間步的輸出與3個(gè)神經(jīng)元全連接，我們希望這3個(gè)神經(jīng)元能夠從歷史數(shù)據(jù)中帶來(lái)先驗(yàn)知識(shí)，最終的效果也佐證了這個(gè)觀點(diǎn)。接下來(lái)，生成當(dāng)前車(chē)輛的7維特征向量，并將先驗(yàn)知識(shí)與當(dāng)前車(chē)輛的特征拼接成10維向量，全連接至1個(gè)神經(jīng)元輸出作為預(yù)測(cè)結(jié)果。使用LSTM-Linear模型，我們將歷史數(shù)據(jù)中的信息與實(shí)時(shí)信息緊密結(jié)合，有效提升了預(yù)測(cè)精度。

4 實(shí)驗(yàn)

4.1 評(píng)價(jià)指標(biāo)

為了確定預(yù)測(cè)結(jié)果的精度，我們利用三個(gè)指標(biāo)來(lái)對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)估：誤差在半小時(shí)以內(nèi)占比（Error Of Half An Hour，EOHH）、誤差在一小時(shí)以內(nèi)占比（Error Of An Hour，EOH）、誤差在兩小時(shí)以內(nèi)占比（Error Of Two Hours，EOTH）。以EOHH為例，公式如下（I為指示函數(shù)，N為總樣本數(shù)），EOH、EOTH類似。

4.2 實(shí)驗(yàn)數(shù)據(jù)、方法及結(jié)果

利用滑動(dòng)窗口的方式，實(shí)驗(yàn)訓(xùn)練集選用鋼鐵物流信息平臺(tái)2019年7月25至2019年8月24日近18000條數(shù)據(jù)，測(cè)試集選用2019年8月25至2019年8月30日的3104條數(shù)據(jù)。為了證明本文所提出的等待時(shí)間預(yù)測(cè)模型的有效性，與平臺(tái)現(xiàn)用方法（ridge回歸），KNN回歸［1］，以及利用Auto-sklearn［15］訓(xùn)練出的模型進(jìn)行比較。Auto-sklearn作為現(xiàn)在流行的自動(dòng)化機(jī)器學(xué)習(xí)方法，能夠自動(dòng)的進(jìn)行模型篩選、超參數(shù)調(diào)節(jié)等工作。其中回歸模塊包含梯度提升決策樹(shù)、隨機(jī)森林、支持向量機(jī)、高斯過(guò)程等多種高效的回歸模型。利用Auto-sklearn，我們近似地將一般用于等待時(shí)間預(yù)測(cè)方法應(yīng)用到鋼鐵物流場(chǎng)景下。因?yàn)閺U鋼、煤炭、焦炭三個(gè)品類特性區(qū)別明顯，因此實(shí)驗(yàn)結(jié)果依據(jù)三個(gè)評(píng)價(jià)指標(biāo)在三個(gè)品類上進(jìn)行區(qū)分。

圖6中結(jié)果表明本文方法的預(yù)測(cè)精度在各個(gè)品類、各個(gè)評(píng)價(jià)指標(biāo)上明顯優(yōu)于平臺(tái)現(xiàn)用方法和KNN回歸，只在少部分指標(biāo)上略低于Auto-sklearn的方法。四種方法在煤炭的預(yù)測(cè)上精度都較高，因?yàn)槊禾康牡却龝r(shí)間大多在兩個(gè)小時(shí)以下，同時(shí)煤炭等待時(shí)間的數(shù)值較穩(wěn)定，所以相對(duì)比較容易預(yù)測(cè)，參考意義最大的EOHH指標(biāo)本文方法相比平臺(tái)現(xiàn)用方法有12.8%的提升。廢鋼的平均等待時(shí)間為5個(gè)多小時(shí)，由于數(shù)值波動(dòng)較大，各個(gè)方法EOHH指標(biāo)較低，因?yàn)榘胄r(shí)的誤差只占5小時(shí)平均等待時(shí)間的10%，對(duì)于模型預(yù)測(cè)難度較大。但本文方法在三個(gè)指標(biāo)上相比現(xiàn)用方法分別有33.3%、51.6%、61.2%提升；相比于KNN回歸有50%、62.1%、64.6%的提升；相比于Auto-sklearn預(yù)測(cè)精度分別有9%、11.9%、9.7%的優(yōu)勢(shì)。焦炭平均等待時(shí)間大概4個(gè)小時(shí)，但數(shù)值波動(dòng)很大，各個(gè)方法預(yù)測(cè)精度差距不大，但相比于平臺(tái)現(xiàn)用方法，本文方法在三項(xiàng)指標(biāo)上依舊有18.5%、21.7%、13.5%的提升。

通過(guò)分析，平臺(tái)現(xiàn)用方法由于僅使用單一線性模型導(dǎo)致預(yù)測(cè)精度較低。Auto-sklearn訓(xùn)練過(guò)擬合嚴(yán)重，鋼廠本身也缺少嚴(yán)格的規(guī)則，過(guò)擬合導(dǎo)致模型泛化能力變?nèi)酢Ｒ?guī)則的缺少也導(dǎo)致KNN回歸效果較差。本文方法針對(duì)不同品種定制化模型，同時(shí)LSTM-Linear模型將歷史數(shù)據(jù)中先驗(yàn)知識(shí)與實(shí)時(shí)信息相結(jié)合，利用線性模型輸出，減少過(guò)擬合，預(yù)測(cè)精度更高。

4.3 特征重要性

為了評(píng)估表1中的特征對(duì)等待時(shí)間預(yù)測(cè)的重要程度，我們?cè)谄扑閺U鋼上進(jìn)行了實(shí)驗(yàn)。訓(xùn)練集為2019年7月25至2019年8月24日的1924條數(shù)據(jù)，測(cè)試集為2019年8月25日至2019年8月30日的225條數(shù)據(jù)，測(cè)試集的統(tǒng)計(jì)量見(jiàn)表2。

圖6 各個(gè)品類評(píng)價(jià)指標(biāo)結(jié)果

表2 破碎廢鋼測(cè)試集數(shù)據(jù)量及統(tǒng)計(jì)量

從破碎廢鋼的統(tǒng)計(jì)量看出，等待時(shí)間的分布離散程度高，標(biāo)準(zhǔn)差大，側(cè)面反映了預(yù)測(cè)的難度。我們把LSTM模型的輸出稱為先驗(yàn)知識(shí)，將表1中的特征及先驗(yàn)知識(shí)依次加入Linear模型，并對(duì)測(cè)試集進(jìn)行三個(gè)指標(biāo)的評(píng)估。

很明顯排隊(duì)號(hào)對(duì)等待時(shí)間起到了很大的影響，排隊(duì)號(hào)大小很大程度上決定了等待時(shí)間長(zhǎng)短?？梢哉J(rèn)為排隊(duì)號(hào)確定了卡車(chē)等待的基準(zhǔn)時(shí)間，其余表示廠房工作狀況的特征影響基準(zhǔn)時(shí)間的浮動(dòng)。如果廠房?jī)?nèi)效率高，等待時(shí)間在基準(zhǔn)時(shí)間的基礎(chǔ)上也會(huì)有所減小。同時(shí)，在加入先驗(yàn)知識(shí)之后，模型預(yù)測(cè)的精度明顯提升，說(shuō)明LSTM模型確實(shí)能夠從歷史數(shù)據(jù)中帶來(lái)先驗(yàn)知識(shí)幫助現(xiàn)階段的預(yù)測(cè)。

表3 特征重要性

5 結(jié)語(yǔ)

鋼鐵物流復(fù)雜的業(yè)務(wù)邏輯使得準(zhǔn)確預(yù)測(cè)卡車(chē)排隊(duì)等待時(shí)間變得困難，也因?yàn)殇撹F物流的特殊性使得卡車(chē)等待時(shí)間預(yù)測(cè)區(qū)別于一般場(chǎng)景下的等待時(shí)間預(yù)測(cè)。本文詳細(xì)描述了鋼鐵物流原料運(yùn)輸車(chē)輛的業(yè)務(wù)流程和數(shù)據(jù)分析過(guò)程，并提出了一種基于LSTM-Linear組合時(shí)間預(yù)測(cè)模型。利用LSTM模型從歷史數(shù)據(jù)中獲得先驗(yàn)知識(shí)，再結(jié)合卡車(chē)實(shí)時(shí)信息通過(guò)Linear模型進(jìn)行高精度的預(yù)測(cè)。在日照鋼鐵集團(tuán)真實(shí)的場(chǎng)景下，本文方法的預(yù)測(cè)精度相比平臺(tái)現(xiàn)用方法、KNN回歸、Auto-sklearn自動(dòng)構(gòu)建的模型優(yōu)勢(shì)明顯。更加精準(zhǔn)的等待時(shí)間提升了司機(jī)的滿意度，也有效減少了物流成本。

在以后的研究中，隨著物流信息平臺(tái)進(jìn)一步完善，我們可以獲得更多有用的信息，同時(shí)通過(guò)合理地選擇歷史數(shù)據(jù)訓(xùn)練模型，從而進(jìn)一步提高預(yù)測(cè)精度。